“最大间隔”分类的合页损失

[源代码]

Hinge 类

keras.losses.Hinge(reduction="sum_over_batch_size", name="hinge", dtype=None)

计算 y_true 和 y_pred 之间的合页损失。

公式

loss = maximum(1 - y_true * y_pred, 0)

y_true 的值应为 -1 或 1。如果提供二元（0 或 1）标签，我们会将其转换为 -1 或 1。

参数

• reduction：应用于损失的缩减类型。在几乎所有情况下，这都应为 "sum_over_batch_size"。支持的选项包括 "sum"、"sum_over_batch_size"、"mean"、"mean_with_sample_weight" 或 None。 "sum" 对损失求和， "sum_over_batch_size" 和 "mean" 对损失求和并除以样本大小，而 "mean_with_sample_weight" 对损失求和并除以样本权重之和。 "none" 和 None 不执行聚合。默认为 "sum_over_batch_size"。
• name：损失实例的可选名称。
• dtype：损失计算的数据类型。默认为 None，这意味着使用 keras.backend.floatx()。 keras.backend.floatx() 为 "float32"，除非设置为其他值（通过 keras.backend.set_floatx()）。如果提供 keras.DTypePolicy，则将使用 compute_dtype。

[源代码]

SquaredHinge 类

keras.losses.SquaredHinge(
    reduction="sum_over_batch_size", name="squared_hinge", dtype=None
)

计算 y_true 和 y_pred 之间的平方合页损失。

公式

loss = square(maximum(1 - y_true * y_pred, 0))

y_true 的值应为 -1 或 1。如果提供二元（0 或 1）标签，我们会将其转换为 -1 或 1。

参数

• reduction：应用于损失的缩减类型。在几乎所有情况下，这都应为 "sum_over_batch_size"。支持的选项包括 "sum"、"sum_over_batch_size"、"mean"、"mean_with_sample_weight" 或 None。 "sum" 对损失求和， "sum_over_batch_size" 和 "mean" 对损失求和并除以样本大小，而 "mean_with_sample_weight" 对损失求和并除以样本权重之和。 "none" 和 None 不执行聚合。默认为 "sum_over_batch_size"。
• name：损失实例的可选名称。
• dtype：损失计算的数据类型。默认为 None，这意味着使用 keras.backend.floatx()。 keras.backend.floatx() 为 "float32"，除非设置为其他值（通过 keras.backend.set_floatx()）。如果提供 keras.DTypePolicy，则将使用 compute_dtype。

[源代码]

CategoricalHinge 类

keras.losses.CategoricalHinge(
    reduction="sum_over_batch_size", name="categorical_hinge", dtype=None
)

计算 y_true 和 y_pred 之间的分类合页损失。

公式

loss = maximum(neg - pos + 1, 0)

其中 neg=maximum((1-y_true)*y_pred)，pos=sum(y_true*y_pred)

参数

• reduction：应用于损失的缩减类型。在几乎所有情况下，这都应为 "sum_over_batch_size"。支持的选项包括 "sum"、"sum_over_batch_size"、"mean"、"mean_with_sample_weight" 或 None。 "sum" 对损失求和， "sum_over_batch_size" 和 "mean" 对损失求和并除以样本大小，而 "mean_with_sample_weight" 对损失求和并除以样本权重之和。 "none" 和 None 不执行聚合。默认为 "sum_over_batch_size"。
• name：损失实例的可选名称。
• dtype：损失计算的数据类型。默认为 None，这意味着使用 keras.backend.floatx()。 keras.backend.floatx() 为 "float32"，除非设置为其他值（通过 keras.backend.set_floatx()）。如果提供 keras.DTypePolicy，则将使用 compute_dtype。

[源代码]

hinge 函数

keras.losses.hinge(y_true, y_pred)

计算 y_true 和 y_pred 之间的合页损失。

公式

loss = mean(maximum(1 - y_true * y_pred, 0), axis=-1)

参数

• y_true：真实值。 y_true 的值应为 -1 或 1。如果提供二元（0 或 1）标签，则它们将被转换为 -1 或 1，形状为 [batch_size, d0, .. dN]。
• y_pred：预测值，形状为 [batch_size, d0, .. dN]。

返回

合页损失值，形状为 [batch_size, d0, .. dN-1]。

示例

>>> y_true = np.random.choice([-1, 1], size=(2, 3))
>>> y_pred = np.random.random(size=(2, 3))
>>> loss = keras.losses.hinge(y_true, y_pred)

[源代码]

squared_hinge 函数

keras.losses.squared_hinge(y_true, y_pred)

计算 y_true 和 y_pred 之间的平方合页损失。

公式

loss = mean(square(maximum(1 - y_true * y_pred, 0)), axis=-1)

参数

• y_true：真实值。 y_true 的值应为 -1 或 1。如果提供二元（0 或 1）标签，我们将它们转换为 -1 或 1，形状为 [batch_size, d0, .. dN]。
• y_pred：预测值，形状为 [batch_size, d0, .. dN]。

返回

平方合页损失值，形状为 [batch_size, d0, .. dN-1]。

示例

>>> y_true = np.random.choice([-1, 1], size=(2, 3))
>>> y_pred = np.random.random(size=(2, 3))
>>> loss = keras.losses.squared_hinge(y_true, y_pred)

[源代码]

categorical_hinge 函数

keras.losses.categorical_hinge(y_true, y_pred)

计算 y_true 和 y_pred 之间的分类合页损失。

公式

loss = maximum(neg - pos + 1, 0)

其中 neg=maximum((1-y_true)*y_pred)，pos=sum(y_true*y_pred)

参数

• y_true：真实值。 y_true 的值应为 {-1, +1} 或 {0, 1}（即 one-hot 编码张量），形状为 [batch_size, d0, .. dN]。
• y_pred：预测值，形状为 [batch_size, d0, .. dN]。

返回

分类合页损失值，形状为 [batch_size, d0, .. dN-1]。

示例

>>> y_true = np.random.randint(0, 3, size=(2,))
>>> y_true = np.eye(np.max(y_true) + 1)[y_true]
>>> y_pred = np.random.random(size=(2, 3))
>>> loss = keras.losses.categorical_hinge(y_true, y_pred)